A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Um líder de engenharia aprovou um plano para contratar cinco engenheiros, investir em uma plataforma interna de IA e reorganizar duas equipes para acelerar a entrega de software. Seis meses depois, os desenvolvedores passaram a produzir mais código, mas a velocidade de entrega não aumentou: revisões de pull requests demoraram mais, filas de CI cresceram e a segurança precisou verificar mais mudanças.
O problema, segundo o texto, não é necessariamente falha no plano original, e sim o fato de a estratégia ter sido construída sobre um modelo de entrega que a IA alterou. A orientação é revisar “apostas longas” com frequência, alinhar métricas com evidências e criar sinais para detectar quando as condições que sustentavam a decisão deixam de valer.
O Kubernetes está mudando a forma de lidar com limitações de recursos para workloads de IA na borda, com destaque para o recurso node swap e para a migração do Linux cgroup v2. A equipe do Kubernetes aponta que a memória costuma ser o primeiro gargalo em clusters, e que a onda de workloads agentic pode piorar esse cenário.
No Kubernetes v1.34, o node swap chegou à disponibilidade geral e pode atuar como “shock absorber” durante picos de tráfego, com ganhos de densidade reportados de até 3x em cenários específicos com NVMe SSDs. Ao mesmo tempo, o kubelet passa a recusar iniciar em nós com cgroup v1 por padrão a partir do v1.35, e a orientação é migrar os nós para o cgroup v2 antes de atualizar.
Times como os da Anthropic e da Linear relataram que agentes de IA aumentaram drasticamente o volume de jobs no CI e fizeram as suítes de testes crescerem rapidamente. A Anthropic atribuiu o ganho de eficiência a uma abordagem de test impact analysis, rodando apenas testes afetados por mudanças; a Linear, por sua vez, reestruturou o pipeline para acompanhar o crescimento da demanda. Já o CEO da Depot defendeu que o futuro passa por agentes validando código para manter a confiança durante o trabalho.
O ponto central é que tornar o CI mais rápido não resolve o problema de verificação em sistemas distribuídos, porque o pipeline normalmente valida um repositório, não o comportamento entre serviços. A análise argumenta que a checagem precisa “fechar o loop” contra o sistema real antes do PR, com agentes executando e testando em ambientes que simulem mais fielmente o contexto, evitando que falhas apareçam apenas quando a mudança chega ao staging e cruza fronteiras entre serviços.
O Copilot Code Review para Azure Repos entrou em prévia pública no fim de agosto e agora recebeu novas melhorias. Entre as mudanças, o recurso de “effort levels” permite controlar quanto tempo o Copilot dedica à revisão de pull requests, com opções de nível Lite ou Balanced para definir o padrão no projeto e no repositório.
A atualização também facilita a resolução de comentários: ao aplicar e commitar sugestões geradas nas revisões do Copilot, é possível resolver todos os comentários relacionados de uma vez. Para administradores, a Microsoft adicionou novos eventos ao log de auditoria do Azure DevOps, incluindo habilitação/desabilitação do Copilot Code Review, alterações em agent pool, instruções e nível de esforço, além de políticas de branch para revisões automáticas.
A InfoQ vai realizar duas turmas de certificação online de cinco semanas em outubro de 2026: AI Security & Privacy Engineering, com início em 26 de outubro, e AI-Assisted Engineering, começando em 19 de outubro. O primeiro grupo foca em proteger dados sensíveis e testar controles de segurança em produtos de IA, usando threat modeling e red teaming. Já o segundo prepara verificações para coding agents que alteram um código existente, com criação de contexto, limitação de permissões e testes antes de levar as checagens para o CI.
As turmas incluem capstones em que os participantes avaliam uma arquitetura de produto de IA e explicam riscos, controles e como seriam testados, além de apresentarem um harness para validar mudanças feitas por agentes. A metodologia também prevê comparação de resultados registrados ao longo das cinco semanas com previsões iniciais, com grupos de pares para discutir decisões e a eficácia das checagens no fluxo de engenharia.
Agentes de IA conectados a ferramentas podem funcionar bem em demos, mas o texto defende que o “limite de produção” não é a escolha do modelo e sim a capacidade de o agente alterar estado. Quando um agente pode mudar recursos, aprovação, identidade, atribuição e verificação precisam virar preocupações centrais do sistema, com governança que persista além de um único turno da conversa.
O artigo propõe que líderes padronizem contratos como contexto, estado, ferramentas, controle e conclusão antes de escalar a autonomia dos times. Também destaca que aprovação, execução e conclusão são provas diferentes: uma ação pode rodar sem resolver o problema, e a verificação precisa confirmar se o objetivo do incidente foi atingido, com evidências registradas e auditoria do que foi alterado.
63% dos desenvolvedores dizem que sistemas de IA contribuem para as mudanças climáticas, e 70% afirmam que empresas de tecnologia e empregadores precisam fazer mais para reduzir o impacto ambiental, segundo um relatório conjunto do GitHub e do Yale Program on Climate Change Communication (YPCCC). A pesquisa ouviu 1.039 usuários ativos mensais do GitHub nos EUA sobre clima, impacto ambiental da IA e práticas de engenharia de software sustentável.
O estudo aponta que muitos veem ineficiências em modelos e em softwares “indesejados” como fontes de desperdício, além de pedirem mais transparência sobre consumo de energia. Entre os entrevistados, 80% querem ferramentas para escrever código mais eficiente, com recomendações como medir o consumo de energia de ferramentas de IA, incluir escores de eficiência energética em projetos e revisar etapas de CI/CD que usam computação desnecessária.
A adoção de IA agentica em Kubernetes está mudando a forma como equipes pensam infraestrutura e operações. Com modelos executando mais perto dos dados, responsabilidades de implantação, escalonamento e governança tendem a migrar para times de plataforma, enquanto o aumento de clusters e sinais operacionais pressiona processos manuais.
A proposta é usar agentes que observam o sistema, raciocinam sobre o que encontram e atuam dentro de limites pré-definidos. Para que a automação funcione em cenários multi-cluster, o agente precisa de contexto do estado do cluster, políticas e regras de acesso, separando claramente o que ele observa, recomenda e altera, com ações geralmente sujeitas à aprovação humana.
A Docker anunciou o Docker Cloud Sandboxes, um ambiente de execução seguro e hospedado para rodar agentes de IA de codificação em infraestrutura gerenciada pela empresa. A plataforma usa isolamento por microVM com proteção no hardware e oferece um ambiente consistente, além de fluxos de trabalho via CLI para mover execuções do computador local para a nuvem.
Com o Cloud Sandboxes, desenvolvedores podem transferir uma sandbox entre local e cloud com um comando, permitindo executar vários agentes por horas sem depender do laptop. A empresa também lançou kits pré-configurados, e na especificação Kits v3 eles passam a ser empacotados como imagens OCI padrão, utilizáveis com build e pull como qualquer outra imagem do Docker.
A Rocket Software anunciou a expansão da Rocket EVA, sua plataforma de agentic AI para sistemas de missão crítica no mainframe. A solução passa a oferecer agentes de IA governados e auditáveis, capazes de correlacionar e raciocinar sobre dados operacionais e automatizar tarefas dentro de políticas definidas pela empresa.
A atualização também inclui o lançamento do Rocket PlanGuard, uma camada de segurança que cria um “checkpoint” de política entre o raciocínio da IA e a execução no sistema. Com isso, a plataforma adiciona um ponto de decisão de políticas e controles de identidade para manter as ações da IA dentro de limites aprovados, enquanto registra atividades para auditoria e supervisão humana.
A Qodo levantou US$ 70 milhões na Série B e, mesmo assim, impôs limites para o consumo interno de IA: os engenheiros podem acessar até US$ 10 mil em tokens por mês. Segundo o CEO Itamar Friedman, o teto não foi criado para restringir uso, mas para dar visibilidade e eficiência, ajudando a escolher “o melhor caminho” para gastar com automação.
Enquanto isso, a empresa aponta que o custo de sua infraestrutura de IA para rodar o produto para clientes cresce cerca de 5x ao ano, impulsionado por adoção e por agentes assumindo tarefas mais longas. Para medir retorno, Friedman propõe uma equação de AI ROI baseada em benefícios divididos por custos, conectando o aumento de PRs e a redução de bugs à ideia de mais velocidade com menos incidentes.
A Cloud Native Computing Foundation (CNCF) lançou o Kubernetes 1.37, chamado “Garhwal”, com foco em estabilidade, segurança e otimização de workloads de IA/ML. A versão inclui a disponibilidade geral da Metrics API (metrics.k8s.io), que padroniza a monitoração de saúde de nós e pods e habilita recursos como Horizontal Pod Autoscaler (HPA), Vertical Pod Autoscaler (VPA) e o comando kubectl top.
Entre as novidades, o kubelet ganha recurso de checkpoint e restore no nível do pod, permitindo criar um snapshot de memória e árvores de processos para depuração ou análise de segurança. O lançamento também evolui para beta o Kubelet em namespace de usuário (rootless), com componentes do nó rodando como não-root via user namespaces para reduzir impacto de ataques de escape de contêiner, além de melhorias como inicialização resiliente do watchcache e certificados de pods em modo estável.
Harness lançou um Code Repository reconstruído e um produto de AI Code Review para lidar com o volume de pull requests gerados por coding agents. Martin Reynolds, Field CTO da empresa, relata que o gargalo de revisão apareceu quando equipes passaram a receber mais PRs, mas com travas no fluxo de testes, pressionando os times responsáveis por validar mudanças.
A empresa diz que construiu um software delivery knowledge graph para dar contexto ao revisor e reduzir o retrabalho, citando economia de mais de 10.000 horas mensais de revisão manual. A reconstrução do repositório foi pensada como “ground-up AI-first”, com foco em manter partes determinísticas do pipeline e permitir que revisores foquem no que realmente mudou.
A AWS publicou uma implementação de referência para testar agentes de IA via GitHub Actions, permitindo que desenvolvedores rodem avaliações automatizadas dentro de pipelines de CI/CD. O fluxo pode falhar uma etapa de avaliação quando as pontuações do agente ficarem abaixo de um limite configurado, impedindo o merge ao configurar o job como check obrigatório.
A solução usa Amazon Bedrock AgentCore Evaluations para avaliar o agente após mudanças no código, no system prompt, no modelo ou na configuração de ferramentas. No exemplo, a AWS implanta o agente em um ambiente de desenvolvimento, o invoca com prompts de teste, analisa traces via OpenTelemetry/CloudWatch e aplica avaliadores como GoalSuccessRate, Correctness, ToolSelectionAccuracy e ToolParameterAccuracy, com limiar de 0,8 para reprovar resultados.
O GitHub Copilot Code Review foi aberto para todos os clientes do Azure DevOps que usam Azure Repos, removendo a necessidade de inscrição que existia desde junho. A funcionalidade publica comentários em pull requests, cobra por cada review via a assinatura do Azure e só mostra o relatório de gastos cerca de 48 horas depois da conclusão.
A Microsoft também detalhou como o custo é calculado com base em tokens de entrada, saída e cache, convertidos em GitHub AI credits (1 crédito por centésimo). As cobranças aparecem no Azure Cost Management com tags do Azure DevOps para permitir análise por projeto, enquanto a revisão funciona como aconselhamento: o Copilot deixa comentários, mas não aprova nem bloqueia merge.
A evolução do coding assistido tem chegado perto do “prompt-to-PR”, mas a manutenção de código existente em grandes repositórios segue como um problema pouco resolvido. O texto aponta que, mesmo com novos modelos, mudanças em monorepos continuam difíceis e a diferença no código gerado nem sempre é perceptível.
A proposta para o próximo salto é uma “codebase autônoma”, baseada em gatilhos e funções de agentes que investigam e corrigem falhas antes de alguém abrir uma janela de prompt. A abordagem depende de contexto do repositório e de um fluxo mais determinístico, com agentes específicos acionados por eventos e capazes de executar tarefas como análises, notificações e criação de PRs.
O Azure DevOps lançou o Enterprise Live Migrations (ELM) em prévia pública para mover repositórios do Azure Repos para o GitHub Enterprise Cloud com data residency, reduzindo interrupções no desenvolvimento. As migrações começam enquanto o repositório do Azure DevOps segue disponível, com sincronização contínua das mudanças em segundo plano e um corte final com janela de indisponibilidade tipicamente menor que 30 minutos.
O ELM pode ser usado via Azure DevOps CLI e interface web, com um fluxo em etapas de Validate, Synchronize e Cut over. A ferramenta também permite migrar repositórios, histórico de commits, branches e tags, além de converter políticas de branch em rulesets, e reconfigurar Azure Pipelines e manter o uso do Azure Boards durante a transição.
O volume de commits no GitHub mais do que dobrou em quatro meses: passou de 1,4 bilhão em abril para 2,9 bilhões em agosto, enquanto a capacidade de verificação não acompanhou o ritmo. A plataforma relata que não consegue manter o passo com essa demanda e aponta que cada commit carrega uma “promessa” de que a mudança funciona, mas quase nada no fluxo valida essa alegação contra um sistema em execução.
Em 17 de agosto, o GitHub ficou fora do ar por 7 horas e 47 minutos após um componente de infraestrutura no data center Central US falhar ao escalar com o tráfego. Como resposta, a empresa menciona mais de 3 milhões de novos núcleos de CPU, 120 petabytes de armazenamento de alta velocidade e migração acelerada para o Azure, que passou a atender 58% da carga da plataforma.
Organizações de engenharia estão levando a IA agentica para dentro de suas plataformas de desenvolvimento para acelerar entregas e aumentar a produtividade. Em conversas com clientes, a The New Stack identificou três papéis comuns para agentes em uma plataforma agentic: como consumidores da plataforma, como componentes internos em workflows e como recursos com ciclo de vida próprio.
No primeiro caso, o agente age como “usuário” e precisa ler contexto real via um modelo API/MCP-first, além de acessar uma camada de contexto governada e ações de autoatendimento. No segundo, agentes rodam dentro da plataforma acionados por eventos, com orquestração, registro, identidade por agente e etapa com participação humana quando o risco é maior; no terceiro, a plataforma provisiona, governa e registra agentes como parte de um processo de AgenticOps, incluindo criação, publicação e credenciais escopadas.
Bancos estão ampliando a contratação de profissionais de tecnologia enquanto aumentam os investimentos em inteligência artificial, dados, computação em nuvem e segurança digital. Entre os cinco perfis mais disputados em 2025 estão desenvolvedor de software, engenheiro de IA, engenheiro de dados, arquiteto corporativo e engenheiro de DevOps.
A 34ª edição da Pesquisa Febraban de Tecnologia Bancária aponta que o orçamento para a área deve chegar a R$ 50,4 bilhões em 2026, após alta de 12% no ano anterior. Desse total, os bancos estimam investir R$ 2,97 bilhões em inteligência artificial, análise de dados e big data, com foco também em requalificação: 39% já têm estratégias em execução e 22% estão estruturando.
First Mate Technologies descreveu um fluxo de desenvolvimento que usa dois modelos de IA em papéis separados: um escreve a implementação e outro cria testes, revisa o código e só então libera a mesclagem. No app QueueMate, a etapa de verificação gerou 554 casos de teste e a varredura de QA encontrou 38 defeitos, incluindo um problema de severidade 1 ligado ao tratamento de sessões.
A empresa afirma que o modelo “checker” recebe critérios de aceitação e informações sobre cobertura automatizada, sem escrever a implementação, para evitar que a mesma IA decida se o próprio código está correto. O processo ainda inclui ambiente de testes isolado, execução em CI com checks determinísticos e aprovação humana antes do merge, além de testes adicionais cobrindo cenários como bordas de data e ações concorrentes em múltiplas abas do navegador.
O GitHub apresentou como usar o GitHub Copilot app para automatizar a triagem de pull requests abertos do Dependabot. A automação pode rodar em agenda diária, antes do início do trabalho, e também pode ser executada na nuvem ou localmente.
Com prompts em linguagem natural, o Copilot app revisa os PRs, agrupa por nível de risco, verifica o status de CI e entrega um resumo com recomendações de próximos passos. Em vez de listar dezenas de atualizações, o sistema registra o histórico de cada execução e permite continuar a partir dos resultados quando for necessário um ajuste maior, como migrações de versões.
A Bronto, de Dublin (Irlanda), diz que a observabilidade entrou em uma nova fase com a padronização de instrumentação via OpenTelemetry, mas aponta falta de uma forma custo-efetiva de armazenar, reter, buscar e analisar telemetria completa. Com sistemas de IA gerando mais logs, traces e métricas, a empresa afirma que as “lacunas” de visibilidade tendem a piorar quando o acesso ao dado é limitado por retenção curta, amostragem e necessidade de reidratar informações.
A companhia critica o modelo tradicional de observabilidade, que cobra principalmente pelo armazenamento e empurra compromissos entre custo, cobertura e velocidade de acesso. Para atacar esse gargalo, a Bronto apresenta o BrontoD, um data store polimórfico feito para dados de observabilidade, com a promessa de permitir manter mais de 100 vezes a quantidade de telemetria sem desacelerar a operação.
O Azure DevOps Remote MCP Server da Microsoft chegou à disponibilidade geral (GA) como um endpoint hospedado para assistentes de IA acessarem work items, pull requests, repositórios e pipelines, sem instalação local. O servidor roda em https://mcp.dev.azure.com/{organization} via streamable HTTP e a conexão é feita adicionando uma entrada no arquivo mcp.json, com autenticação pelo Microsoft Entra.
Claude Desktop, Claude Code, ChatGPT e Cursor ainda não conseguem se conectar por uma limitação no suporte do Entra a mecanismos exigidos pelo protocolo, como Dynamic OAuth client registration ou Client ID Metadata Documents. A Microsoft afirma que trabalha com o time do Entra para habilitar isso, enquanto clientes Microsoft (como VS Code com GitHub Copilot, GitHub Copilot CLI e Copilot Studio) já funcionam; equipes que usam outros agentes seguem com o MCP server local.
Arquitetura evolutiva usa fitness functions para transformar intenção arquitetural em feedback executável contínuo, com checagens determinísticas como regras de dependência, testes de contrato, limites de latência e varreduras de segurança. O texto aponta que nem toda preocupação arquitetural cabe em regras, limiares ou métricas, como quando mudanças passam nos testes, mas geram acoplamento acidental ou “drift” semântico.
Nesse contexto, surgem as agentic fitness functions: uma camada de governança em que um agente de IA, calibrado com registros de decisão, metadados de ownership, limites de serviço e rubricas, avalia evidências delimitadas e devolve um veredito estruturado com score, confiança, justificativa e orientação de escalonamento. A proposta separa gates determinísticos de sinais consultivos do agente, aplica rubricas versionadas e encaminha casos de baixa confiança ou alto impacto para revisão humana.
Agent apps do GitHub levam para dentro do fluxo de pull requests ferramentas usadas no ciclo de entrega de software, com suporte da mesma plataforma do Copilot cloud agent. O exemplo mostra como usar agentes para responder perguntas do tipo “a mudança faz sentido?”, checar dependências, configurar rollout com feature flag e avaliar risco de deploy sem sair do GitHub.
No walkthrough, o Amplitude agent ajuda a validar se o passo de “invite your teammates” afeta retenção, o Endor Labs agent revisa dependências do onboarding e o LaunchDarkly agent cria uma feature flag segmentada para solo e times. Antes de mesclar, o PagerDuty agent compara o PR com incidentes recentes e recomenda seguir, deixando o controle de risco como etapa rotineira dentro do GitHub.
A CodeRabbit anunciou a camada de controle “Agentic Change Management”, voltada a ajudar times de engenharia a entender, governar e entregar software criado por desenvolvedores humanos e por agentes. A empresa afirma que sistemas de issue tracking como Jira, GitHub Issues e Linear foram desenhados para um cenário em que era mais fácil alinhar capacidade, organizar backlog e definir requisitos antes de começar a codar.
Com a produção de código cada vez mais contínua por plataformas e agentes, a companhia diz que o pull request virou o último “chokepoint” auditável do SDLC. A proposta inclui validar mudanças com contexto do repositório, padrões da organização e pré-checagens antes do merge, além de loops automatizados de correção e reavaliação para que revisões humanas foquem em intenção, arquitetura, comportamento e riscos.
O podcast do InfoQ sobre tendências de Cloud e DevOps em 2026 reúne editores e convidados para discutir os temas centrais do relatório anual. Entre os destaques, a conversa aponta que a IA deixou a fase de experimentos e passou para a execução em empresas, influenciando diretamente a estratégia de nuvem.
O episódio também coloca a confiabilidade na nuvem de volta ao centro das atenções, citando interrupções recentes em grandes provedores como alerta para resiliência, design multi-região e prontidão operacional. Além disso, aborda a evolução das equipes de plataforma para padronizar capacidades de IA, governança e fluxos de trabalho, enquanto o FinOps precisa acompanhar o custo de tokens de IA e a discussão sobre soberania digital ganha espaço na arquitetura.
Organizações de engenharia estão vendo métricas de “adoção” dispararem — como ativações de assentos e gasto com tokens — mas, ao observar reuniões e rotinas, quase nada muda no processo de desenvolvimento. O texto critica que indicadores de uso (tokens, commits, “% de código gerado por IA”) medem atividade, não melhoria real do trabalho. Também destaca que “adoção” pode significar desde uso pontual até mudanças permanentes de workflow, sendo que só a última tende a sobreviver a prazos e troca de pessoas.
A implicação para times dev é direta: dashboards podem virar incentivo para “jogar o jogo” da métrica, sem garantir qualidade, entrega ou aprendizado. Em vez de focar em licenças e volume de uso, a recomendação é avaliar o que quebra se a ferramenta sumir, e tratar prompts e fluxos como artefatos versionados e revisados no repositório — além de definir com clareza o que pode ser delegado a agentes com checagem leve e o que exige revisão mais cuidadosa.
/https://i.s3.glbimg.com/v1/AUTH_59edd422c0c84a879bd37670ae4f538a/internal_photos/bs/2026/C/N/0TErZZTS6xxbzKkcX7Fw/ia.jpg)
